基于人工智能的亚洲支气管扩张症患者严重加重预测：基于KMBARC登记的研究

这对日常健康为何重要

对于长期患有肺部疾病的人来说，突发的病情加重导致就医或入急诊既令人恐惧又可能危及生命。医生试图识别谁属于高风险人群，但现有工具大多基于欧洲患者的数据构建，可能不适用于亚洲患者。本研究提出了一个简单但重要的问题：使用在韩国支气管扩张症患者上训练的现代人工智能，能否更好地预警谁在未来一年内可能发生严重加重？

深入观察一种顽固的肺病

支气管扩张症是一种慢性疾病，气道扩张并受损，导致持续咳嗽、黏稠痰液和频繁的胸部感染。当症状突然恶化——如呼吸加重、痰量增加、有时带血——患者可能需要急诊或住院治疗。这类严重发作与更高的并发症及死亡风险相关，给医疗系统带来巨大负担。若能提前预测此类事件，医师就可能调整药物、更密切监测患者，甚至预防一些急诊的发生。

从简单评分到更智能的预测

迄今为止，医生常依赖称为BSI和FACED的评分系统来评估支气管扩张症的严重程度并估计长期风险。这些工具将年龄、肺功能检测结果、影像学损害范围以及某些感染情况等逐项计分。它们在一定程度上有效，但对每项因素都采取线性处理：每一分的权重固定，且无法充分反映不同因素如何相互作用放大风险。此外，这些评分主要基于欧洲队列构建，以前结核病史在欧洲较少见，而在许多亚洲国家更常见，这使得区域性重要因素可能被忽视成为担忧。

用韩国患者数据构建AI模型

为应对这些问题，研究者利用了来自韩国全国性登记的492例成人支气管扩张症患者的数据，均随访一年。在此期间，56例患者（约11%）发生了需要急诊或住院治疗的严重加重。研究团队在基线为每位患者收集了数十个特征，包括年龄、体重、吸烟史、合并肺病、痰的颜色与量、如铜绿假单胞菌等感染、血液检测、肺功能、既往加重史以及BSI和FACED等复合评分。随后他们训练了三类计算机模型——极端梯度提升（XGBoost）、逻辑回归和一种称为多层感知器（MLP）的神经网络方法——来预测谁会发生严重事件。

人工智能的表现如何？

模型通过严格的交叉验证进行测试，数据被划分为训练、验证和独立测试集，同时在每个子集中保持严重病例比例相似。由于大多数患者未发生严重加重，团队重点采用了能处理不平衡问题的指标，尤其是受试者工作特征曲线下面积（AUROC）和平衡灵敏度与精确度的F1分数。在所有方法中，MLP模型表现最佳，正确识别出95%的随后发生严重加重的患者，同时对未发生严重加重的患者也有95%的正确识别率。其AUROC为0.98，略优于传统评分和其他AI模型，表明它在区分高风险与低风险患者方面非常出色。

模型“学到”的风险要点

为避免成为“黑箱”结果，作者采用了一种名为SHAP的方法，用以评估每个输入特征对预测向高风险或低风险推动的相对贡献。分析显示，总体BSI评分仍然是一个强驱动因素，但痰的特征（量和变色）、既往严重加重史以及既往肺部感染如结核和肺炎也起到了重要作用。值得注意的是，模型捕捉到了特征组合的效应：例如，有既往结核史且痰高度脓性患者的预测风险显著高于任一单因素所显示的风险。这类非线性模式正是简单点数评分难以表示的。

对患者与医生的意义

研究表明，至少在这个韩国队列中，基于本地患者数据定制的人工智能工具相比广泛使用的评分系统，能更精确地帮助医生预见危险的支气管扩张症加重。对于支气管扩张症患者，这有朝一日可能转化为更个性化的护理——更密切的随访、预防性抗生素或针对被模型标记为高风险者的其他治疗。不过，作者强调这只是早期工作。患者多来自大型转诊医院，该模型尚未在其他国家或普通门诊中验证。在将此类AI用于实际决策前，还需外部验证与持续改进。尽管如此，这些发现提供了一个有希望的前景：将详尽的临床数据与现代算法结合，可能使危及生命的肺部急性发作更可预测，甚至更可预防。

引用: Yang, B., Kim, SH., Kim, GH. et al. AI based prediction of severe exacerbation in Asian bronchiectasis patients using the KMBARC registry. Sci Rep 16, 11017 (2026). https://doi.org/10.1038/s41598-026-38968-9

关键词: 支气管扩张症, 人工智能, 急性加重, 风险预测, 韩国登记